有效地训练神经网络需要调整模型参数以最小化损失函数，这通常使用梯度下降或其变体。这个过程的主要部分是计算损失函数相对于每个参数的梯度，数学上表示为损失 $L$ 和参数 $w$ 的 $\frac{\partial L}{\partial w}$。对于复杂模型，手动推导和实现这些梯度计算是不切实际的。

本章介绍 PyTorch 的自动微分引擎 Autograd，它旨在自动计算这些梯度。我们将了解 PyTorch 如何在对张量执行操作时动态构建计算图。你将学习如何使用 requires_grad=True 标记张量以进行梯度计算，使用 .backward() 触发反向传播以计算梯度，以及查看存储在 .grad 属性中的结果梯度。我们还将涉及梯度累积，使用 optimizer.zero_grad() 清零梯度的必要性，以及如何使用 torch.no_grad() 等上下文临时禁用梯度计算，以提高推理或评估期间的效率。